Elasticsearch在日志分析领域应用和运维实践

本次分享是由来自阿里巴巴的高级工程师赵汉青 带来的。
主要讲述了：

基于ELK + Kafka 的日志分析系统
Elasticsearch 优化经验
Elasticsearch 运维实践

ElasticSearch介绍

分布式实时分析搜索引擎，优点包括：

查询近实时
内存消耗小，搜索速度快
可扩展性强
高可用

数据结构

FST(Finite State Transducer)

file
这种数据结构适用于文本查询。
通过对词典中单词前缀和后缀的重复利用，压缩存储空间，压缩比率一般在 3~20 倍之间。
O( len ( str )) 的查询时间复杂度。
范围搜索，前缀搜索比传统的 hashmap 有明显优势。

BDK Tree

适用于数值型，地理信息（ geo ）等多维度数据类型。
当K=1, 二叉搜索树，查询复杂度 log(N)
file

K=2, 确定切分维度，切分点选这个维度的中间点
file

扩展性

通过索引分片机制，实现集群的横向扩展
file

高可用

通过shard冗余备份，跨可用区部署，数据快照 (snapshot) 。应对集群节点故障，数据损坏。

file

ElasticSearch全家桶

Kibana : 数据可视化，与 elasticsearch 交互。
Elasticsearch: 存储，索引，搜索。
Logstash: 数据收集，过滤，转换。
Beats: 比 logstash 更轻巧 , 更多样化 : Filebeat, Metricbeat, Packetbeat, Winlogbeat …

file

基于ELK和Kafka的日志分析系统

file

#### Logstash优点
提供了大量的用于数据过滤，转换的插件
drop: 丢掉不需要的数据
grok : 正则匹配抓取数据
date : 从数据中解析date属性，用作 Elasticsearch document 的 timestamp
metrics: 获取 logstash 的 metrics
codec.multiline ：多行数据合成一条记录
fingerprint : 防止插入重复的数据

Logstash 缺点：收集 log 效率低，耗资源。
Filebeat: 弥补的缺点，但自身插件较少。

使用Kafka进行日志传输

Kafka 有数据缓存能力。
Kafka 数据可重复消费。
Kafka 本身高可用，防止数据丢失。
Kafka 的 throughput 更好。
Kafka 使用广泛。

实践经验：
不同的 service ，创建不同的 topic 。
根据 service 的日志量，设定 topic partition 个数。
按照 kafka partition 的个数和消费该 topic 的 logstash 的个数，配置 consumer_threads。
尽量明确 logstash 和对应消费的 topic ( s) ，配置消费的 topic 少用通配符。

集群规划的基本问题：

总数据量大小：每天流入多少数据，保存多少天数据。

每日增加的数据量：每日新增的 log 量 * 备份个数。
如果 enable 了 _ all 字段，则在上面的基础上再翻一倍。比如每天新增 1T 的 log ，每个 shard 有 1 个备份， enable_all ，则 Elasticsearch 集群的实际数据增加量约等于 4T 。
如果每天需要存 4T 数据，假如保存 30 天的数据，需要的最低存储是 120T ，一般还会加 20% 的 buffer 。
至少需要准备 144T 的存储空间。根据日志场景的特点，可做 hot-node, warm - node 划分。
hot-node 通常用 SSD 磁盘， warm-node 采用普通机械盘。

单节点配置：每个节点多少索引，多少 shard ，每个 shard 大小控制在多少。

根据总数据量和单节点配置，得出集群总体规模。
单节点，根据经验通常 CPU :Memory的配比是1:4。
Memory : Disk 的配比为 1 : 24 。
Elasticsearch heap 的 xmx 设置通常不大于 32g 。
Memory 和 shard 的配比在 1 : 20 ~ 1:25 之间。
每个shard的大小不超过 5 0g 。

实践案例分析

产线上出现服务 failover ， backup 集群日志量会忽然增大， kafka 里的数据量也突然增多，单位时间内 logstash 消费 kafka 注入 Elasticsearch 的数据量也会增大，如果某些正在插入数据的 primary shard 集中在一个 node 上，该 node 会因为需要索引的数据量过大、同时响应多个 logstash bulk 请求等因素，导致该 node 的 Elasticsearch 服务过于繁忙。

若无法响应 master 节点发来的请求（比如 cluster health heartbeat ）， master 节点会因为等待该节点的响应而被 block ，导致别的节点认为 master 节点丢失，从而触发一系列非常反应，比如重选master 。

若无法及时响应 logstash 请求， logstash connect elasticsearch 便会出现 timeout ， logstash 会认得这个 Elasticsearch 为 dead ，同时不再消费 kafka 。 Kafka 发现在同一个 consumer group 里面某个 consumer 消失了，便会触发整个 consumer group 做 rebalance ，从而影响别的 logstash 的消费，影响整个集群的吞吐量。

典型 羊群效应 ，需要消除头羊带来的影响。
可通过 elasticsearch API: GET/_cat/thread_pool / bulk?v&h =name , host,active,queue,rejected,completed 定位哪个节点比较忙：queue 比较大， rejected 不断增加。然后通过 GET /_cat/shards 找到该 node 上活跃的 shard 。最后再通过 POST /_cluster/reroute API 把 shard 移到 load 比较低的 node 上，缓解该 node 的压力。

ElasticSearch集群运维实践

我们主要关注：

集群健康状态

2 . 集群索引和搜索性能

节点 cpu , memory, disk 使用情况

集群green ，正常。
集群yellow，主要是有 replica shard 未分配。
集群 red ，是因为有 primary shard 未分配。

主要原因：集群 node disk 使用率超过 watermark （默认 85% ）。可通过 api GET/_cat/ allocation 查看 node 的磁盘使用率。可通过 api GET/_cluster/ settings 查看 cluster.routing.allocation.enable 是否被禁止。可通过 api GET /_cluster/allocation/explain? pretty 查看 shard 未分配到 node 的具体原因。

监控工具推荐使用：cerebro（ https://github.com/lmenezes/c... ）

file
file

ElasticSearch优化经验

索引优化

提前创建索引
避免索引稀疏，index 中 document 结构最好保持一致，如果 document 结构不一致，建议分 index ，用一个有少量 shard 的 index 存放 field 格式不同的 document 。

3 . 在加载大量数据时可设置 refresh_interval =-1 ， index.number_of_replicas =0 ，索引完成后再设回来。
4 . load 和 IO 压力不大的情况，用 bulk 比单条的 PUT/DELETE 操作索引效率更高。
5 . 调整 index buffer( indices.memory.index_buffer_size ) 。

不需要 score 的 field ，禁用 norms；不需要 sort 或 aggregate 的 field ，禁用 doc_value 。

查询优化

使用 routing 提升某一维度数据的查询速度。
避免返回太大量的搜索结果集，用 limit 限制。
如果 heap 压力不大，可适当增加 node query cache( indices.queries.cache.size ) 。
增加 shard 备份可提高查询并发能力，但要注意 node 上的 shard 总量。
定期合并 segment 。